Macroeconomics forecasting

Abstract

Η μακροοικονομική πρόβλεψη αποτελεί αναπόσπαστο εργαλείο για τους φορείς χάραξης πολιτικής, τις επιχειρήσεις και τα χρηματοπιστωτικά ιδρύματα, κατευθύνοντας αποφάσεις που επηρεάζουν τη σταθερότητα και την ανάπτυξη της οικονομίας. Αυτή η διπλωματική εργασία διερευνά προηγμένες μεθοδολογίες για την πρόβλεψη του Ακαθάριστου Εγχώριου Προϊόντος (ΑΕΠ), εστιάζοντας σε τρεις μεγάλες ευρωπαϊκές οικονομίες: τη Γαλλία, τη Γερμανία και το Ηνωμένο Βασίλειο. Αντιμετωπίζοντας προκλήσεις, όπως τα δεδομένα μικτής συχνότητας, οι καθυστερήσεις δημοσίευσης και οι μη γραμμικές οικονομικές σχέσεις, η εργασία υιοθετεί ένα υβριδικό πλαίσιο που συνδυάζει παραδοσιακά οικονομικά μοντέλα, δυναμικά μοντέλα παραγόντων, τεχνικές αραιής παλινδρόμησης και σύγχρονους αλγόριθμους μηχανικής μάθησης. Η προσέγγιση βασισμένη στα δεδομένα αξιοποιεί δείκτες υψηλής συχνότητας, όπως η βιομηχανική παραγωγή και η καταναλωτική εμπιστοσύνη, μαζί με τριμηνιαία δεδομένα ΑΕΠ, που εναρμονίζονται μέσω καινοτόμων τεχνικών συνάθροισης. Οι προκλήσεις ελλιπών δεδομένων αντιμετωπίζονται με τη χρήση εξομάλυνσης Kalman και μεθόδων επανασυμπλήρωσης, διασφαλίζοντας τη σταθερότητα του συνόλου δεδομένων. Τα μοντέλα πρόβλεψης περιλαμβάνουν στατιστικές μεθόδους, όπως το Auto-ARIMA, τεχνικές κανονικοποιημένης παλινδρόμησης (π.χ. LASSO, Elastic Net) και προσεγγίσεις μηχανικής μάθησης (π.χ. Random Forests, XGBoost), που αξιολογούνται με μετρικές όπως το RMSE και η κατευθυντική ακρίβεια. Τα εμπειρικά αποτελέσματα αναδεικνύουν την υπεροχή των υβριδικών μοντέλων στην αποτύπωση πολύπλοκων οικονομικών δυναμικών, ιδίως στη διαχείριση δεδομένων μικτής συχνότητας και στην παροχή προβλέψεων σε πραγματικό χρόνο. Συγκριτικές αναλύσεις μεταξύ των τριών οικονομιών αποκαλύπτουν πληροφορίες για την επίδραση των ιδιαιτεροτήτων κάθε οικονομίας στην απόδοση των προβλέψεων. Τα ευρήματα υπογραμμίζουν τη σημασία της ενσωμάτωσης παραδοσιακών και σύγχρονων μεθοδολογιών για τη βελτίωση της ακρίβειας των προβλέψεων και την υποστήριξη στρατηγικών πολιτικής και επενδύσεων. Με την προώθηση της βιβλιογραφίας για την πρόβλεψη του ΑΕΠ και την αντιμετώπιση σύγχρονων προκλήσεων, η εργασία αυτή παρέχει εφαρμόσιμες συστάσεις για τους ενδιαφερόμενους, συμβάλλοντας σε πιο ενημερωμένο και ανθεκτικό οικονομικό σχεδιασμό.Macroeconomic forecasting is an indispensable tool for policymakers, businesses, and finan- cial institutions, guiding decisions that influence economic stability and growth. This thesis investigates advanced methodologies for forecasting Gross Domestic Product (GDP), focusing on three major European economies: France, Germany, and the United Kingdom. Recogniz- ing the challenges posed by mixed-frequency data, publication lags, and non-linear economic relationships, this study adopts a hybrid framework integrating traditional econometric mod- els, dynamic factor models, sparse regression techniques, and cutting-edge machine learning algorithms. The data-driven approach utilizes high-frequency indicators, such as industrial production and consumer confidence, alongside quarterly GDP data, harmonized through innovative aggre- gation techniques. Missing data challenges are addressed using Kalman smoothing and imputa- tion methods, ensuring the robustness of the dataset. The forecasting models include statistical methods like Auto-ARIMA, regularized regression techniques (e.g., LASSO, Elastic Net), and machine learning approaches (e.g., Random Forests, XGBoost), evaluated using metrics such as RMSE and directional accuracy. Empirical results demonstrate the superiority of hybrid models in capturing complex eco- nomic dynamics, particularly in handling mixed-frequency data and providing real-time now- casts. Comparative analyses across the three economies reveal insights into the influence of country-specific economic structures on forecasting performance. The findings underscore the importance of integrating traditional and modern methodologies to enhance predictive accuracy and inform policy and investment strategies. By advancing the literature on GDP forecasting and addressing contemporary challenges, this thesis provides actionable recommendations for stakeholders, contributing to more in- formed and resilient economic planning.